“人工智能概论”通常是介绍人工智能（AI）基本概念、发展历史、主要方法、典型应用与伦理问题的入门课程。一句话概括：AI 是研究如何让机器感知环境、表示知识、推理决策并采取行动，从而表现出智能行为的技术与科学。

1. 基本概念

· AI：模拟、延伸和扩展人类智能的理论、方法、技术及应用系统。

· 弱人工智能：专注特定任务，如人脸识别、下棋、推荐系统。

· 强人工智能 / AGI：具备类似人类的通用智能，能跨领域学习推理。

· 超级智能 ASI：全面超越人类智能的假设性形态。

· 图灵测试：判断机器能否在对话中表现得与人无异。

· 智能体：感知环境 → 推理决策 → 执行动作 → 获得反馈。

2. 发展简史

· 1950：图灵提出“机器能思考吗？”

· 1956：达特茅斯会议，AI 正式诞生。

· 1960s–70s：符号主义、搜索、早期机器人。

· 1970s–80s：第一次 AI 寒冬。

· 1980s：专家系统兴起。

· 1990s–2000s：机器学习、统计方法崛起。

· 2012：AlexNet 引爆深度学习。

· 2017：Transformer 架构提出。

· 2022 至今：大语言模型、生成式 AI 快速发展。

3. 三大流派

· 符号主义：用逻辑、规则、知识表示模拟智能，如专家系统、知识图谱。

· 连接主义：用神经网络模拟大脑，如深度学习。

· 行为主义：强调与环境交互，如强化学习、具身智能。

4. 核心技术

· 搜索与规划：BFS、DFS、A*、博弈树、约束满足。

· 知识表示与推理：逻辑、本体、语义网络、知识图谱。

· 机器学习：监督学习、无监督学习、半监督学习、强化学习。

· 深度学习：CNN、RNN、Transformer、GAN、扩散模型。

· 自然语言处理：分词、词向量、注意力机制、大语言模型。

· 计算机视觉：分类、检测、分割、生成。

· 机器人学：感知、定位、导航、抓取、操作。

· 多智能体与演化计算：群体智能、遗传算法、模糊逻辑。

5. 典型应用

医疗诊断、金融风控、自动驾驶、智能推荐、语音助手、机器翻译、智能制造、安防监控、教育辅导、AIGC、科学发现等。

6. 伦理与挑战

算法偏见、隐私泄露、可解释性差、安全对齐、责任归属、就业冲击、自主武器、能耗问题、AGI 风险等。

7. 学习路径

1. 数学基础：线性代数、概率统计、微积分、优化。

2. 编程基础：Python、数据结构、算法。

3. 核心课程：人工智能导论、机器学习、深度学习。

4. 进阶方向：NLP、CV、强化学习、机器人、大模型。

5. 实践：项目复现、Kaggle、论文阅读。